CN117591876A - 一种断路器故障诊断方法、装置、设备及存储介质 - Google Patents

一种断路器故障诊断方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117591876A
CN117591876A CN202311544829.3A CN202311544829A CN117591876A CN 117591876 A CN117591876 A CN 117591876A CN 202311544829 A CN202311544829 A CN 202311544829A CN 117591876 A CN117591876 A CN 117591876A
Authority
CN
China
Prior art keywords
circuit breaker
voltage circuit
vibration signal
fault
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311544829.3A
Other languages
English (en)
Inventor
薛峰
韩汉贤
赵善龙
余凌
刘飘
李晓霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202311544829.3A priority Critical patent/CN117591876A/zh
Publication of CN117591876A publication Critical patent/CN117591876A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
    • G01R31/3275—Fault detection or status indication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了一种断路器故障诊断方法、装置、设备及存储介质，该方法包括：获取高压断路器的振动信号序列；对所述振动信号序列中的振动信号进行分解得到时频矩阵，根据所述时频矩阵确定目标特征；将所述目标特征输入分类模型，通过所述分类模型基于所述目标特征对所述高压断路器进行故障诊断，其中，所述分类模型包括一级分类器和二级分类器，所述一级分类器用于识别所述高压断路器是否发生故障，所述二级分类器用于识别故障高压断路器的故障类别。通过本发明实施例的方法，可以判断高压断路器是否故障，并确定故障类型，提高了高压断路器故障检测的检测准确性和效率。

Description

一种断路器故障诊断方法、装置、设备及存储介质
技术领域
本发明涉及故障诊断领域，尤其涉及一种断路器故障诊断方法、装置、设备及存储介质。
背景技术
作为电力系统的重要组成部分，断路器的主要作用是控制与保护。对高压断路器进行实时的状态监测与故障诊断，可以做到对于断路器运行状态的实时把握，并据此制定合理的检修计划，对保障电网安全运行具有重要意义。在正常情况下，断路器承载电流并控制电网的运行。当电网发生故障时，断路器首先做出保护响应，如果不能及时隔离或消除该故障，备用保护系统将控制更大范围的电网，导致更多的架空线路、母线和变电站中断。
高压断路器故障大多数是由机械故障引起的，在现有的技术中，主要采用以小波包能量率为特征，利用随机森林评估特征重要性以优化特征空间的高压断路器诊断方法，或者使用自适应时频分析方法，利用信号的局部特征时标作为分解参考，将复杂信号分解为一系列固有模函数，提取了用于故障分析的能量特征。然而现有的这些方法，需要手动调整相应的基函数，模型容易过拟合，且无法判断故障类型，进而导致断路器故障诊断准确度下降，故障检测效率低下。
发明内容
本发明提供了一种断路器故障诊断方法、装置、设备及存储介质，通过该方法可以解决当前断路器诊断故障准确度低下的问题，可以判断高压断路器是否故障并确定故障类型，提高了断路器诊断的准确度和精度，提高故障检测效率。
第一方面，本发明提供了一种断路器故障诊断方法，包括：
获取高压断路器的振动信号序列；
对所述振动信号序列中的振动信号进行分解得到时频矩阵，根据所述时频矩阵确定目标特征；
将所述目标特征输入分类模型，通过所述分类模型基于所述目标特征对所述高压断路器进行故障诊断，其中，所述分类模型包括一级分类器和二级分类器，所述一级分类器用于识别所述高压断路器是否发生故障，所述二级分类器用于识别故障高压断路器的故障类别。
第二方面，本发明提供了一种断路器故障诊断装置，包括：
序列获取模块，用于获取高压断路器的振动信号序列；
目标特征确定模块，用于对所述振动信号序列中的振动信号进行分解得到时频矩阵，根据所述时频矩阵确定目标特征；
故障诊断模块，用于将所述目标特征输入分类模型，通过所述分类模型基于所述目标特征对所述高压断路器进行故障诊断，其中，所述分类模型包括一级分类器和二级分类器，所述一级分类器用于识别所述高压断路器是否发生故障，所述二级分类器用于识别故障高压断路器的故障类别。
第三方面，本发明提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明实施例中任一项所述的断路器故障诊断方法。
第四方面，本发明提供了一种计算机可读存储介质，包括，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明实施例中任一项所述的断路器故障诊断方法。
本发明实施例的方法，通过获取高压断路器的振动信号序列，进而对所述振动信号序列中的振动信号进行分解得到时频矩阵，根据所述时频矩阵确定目标特征的方法，快速有效的确定了表征高压断路器运行状态的目标特征，进一步的，将所述目标特征输入分类模型，通过所述分类模型基于所述目标特征对所述高压断路器进行故障诊断。通过本发明实施例的方法，可以判断高压断路器是否故障，并确定故障类型，提高了高压断路器故障检测的检测准确性和效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种断路器故障诊断方法的流程图；
图2是根据本发明实施例二提供的一种断路器故障诊断方法的流程图；
图2a为本发明实施例提供的堆叠稀疏自编码器的示意图；
图2b为本发明实施例提供的一级分类器的示意图；
图2c为本发明实施例提供的二级分类器的示意图；
图3是根据本发明实施例三提供的一种断路器故障诊断装置的结构示意图；
图4是根据本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种断路器故障诊断方法的流程图，本实施例适用于断路器故障诊断的情况，该方法可以由一种断路器故障诊断装置执行，该装置可以采用硬件和/或软件的形式实现，并配置于各类电缆的断路器中，如各种高压断路器。
如图1所示，该方法包括：
步骤110、获取高压断路器的振动信号序列。
其中，高压断路器的振动信号序列为高压断路器的由于开关操作产生的振动信号，其中包含表征高压断路器的机械状态，运行情况等重要信息。
具体的，可以通过获取高压断路器的振动信号序列，通过对振动信号序列进行数学处理及分析，可以确定高压断路器的机械状态及运行情况。
步骤120、对所述振动信号序列中的振动信号进行分解得到时频矩阵，根据所述时频矩阵确定目标特征。
其中，时频矩阵可以通过振动信号序列中的振动信号进行分解而获得，时频矩阵中包含振动信号的时域信息与频域信息，通过时频矩阵可以确定高压断路器的目标特征，目标特征为时频矩阵经数学处理后确定的，包含时频矩阵中关键信息的特征总结，同时目标特征可以用于表征振动信号序列中的振动信号中关键信息，如高压断路器的机械状态及运行情况。
具体的，可以通过振动信号序列中的振动信号进行分解得到时频矩阵，将时频矩阵经数学处理后，确定目标特征，通过目标特征可以表征高压断路器的机械状态及运行情况。
步骤130、将所述目标特征输入分类模型，通过所述分类模型基于所述目标特征对所述高压断路器进行故障诊断，其中，所述分类模型包括一级分类器和二级分类器，所述一级分类器用于识别所述高压断路器是否发生故障，所述二级分类器用于识别故障高压断路器的故障类别。
其中，分类模型用于对目标特征进行分类处理，进而根据分类结果对高压断路器进行故障诊断，分类模型的输出结果可以为，目标特征所表征的高压断路器无故障或有故障，在高压断路器有故障时，可以同时输出高压断路器的故障类型，如机械松动、超前闭合，和滞后闭合等。
可选的，将所述目标特征输入分类模型，通过所述分类模型基于所述目标特征对所述高压断路器进行故障诊断，包括：
将所述目标特征输入所述分类模型的一级分类器，通过所述一级分类器基于所述目标特征识别所述高压断路器是否为故障高压断路器；
若是，则将所述故障高压断路器对应的目标特征输入所述分类模型的二级分类器，通过所述二级分类器基于所述故障高压断路器对应的目标特征识别所述故障高压断路器的故障类别。
具体的，可以将目标特征输入分类模型，通过分类模型的一级分类器确定目标特征所表征的高压断路器有无故障，进一步的，若高压断路器有故障，可以通过二级分类器对故障类型进行判别并输出判别结果。
本发明实施例通过获取高压断路器的振动信号序列，进而对所述振动信号序列中的振动信号进行分解得到时频矩阵根据所述时频矩阵确定目标特征的方法，快速有效的确定了表征高压断路器运行状态的目标特征；将所述目标特征输入分类模型，通过分类模型的一级分类器确定目标特征所表征的高压断路器有无故障，进一步的，若高压断路器有故障，可以通过二级分类器对故障类型进行判别并输出判别结果。通过本发明实施例的方法，可以判断高压断路器是否发生了故障，并且可以在高压断路器发生故障时，自动判别故障的类型，本发明实施例的方法，提高了高压断路器故障诊断的准确性，提高了高压断路器故障诊断的效率。
实施例二
图2为本发明实施例提供的一种断路器故障诊断方法的流程图，本发明实施例基于上述各实施例的基础上，对上述实施例的各步骤做出了进一步的优化，并可应用于上述各实施例中。
如图2所示，包括：
步骤210、获取所述高压断路器的原始振动信号序列，对所述原始振动信号序列中的原始振动信号进行信号变换，得到所述原始振动信号的瞬时频率。
其中，原始振动信号序列可以从高压断路器中通过采集装置进行直接获取，其中包含因采集误差所产生的异常信号；信号变换用于对原始振动信号序列进行数学处理，如傅里叶变换，小波变换等。
具体的，可以通过对原始振动信号进行信号变换，确定原始振动信号的瞬时频率。
步骤220、根据所述原始振动信号的瞬时频率确定异常振动信号。
其中，瞬时频率可以通过对原始振动信号进行信号变换获得，进一步的，该瞬时频率为因环境因素或采集因素所产生的原始振动信号中的异常振动信号。
步骤230、删除所述原始振动信号序列中的异常振动信号得到所述振动信号序列。
具体的，振动信号中无表征高压断路器运行状态或开关情况的关键信息，异常振动信号的存在，会影响后续故障判定结果的准确性，应在此阶段，对异常振动信号进行剔除。
步骤240、根据所述振动信号序列确定原始波形。
其中，原始波形可以由剔除异常振动信号的振动信号序列确定，其中包含了全部表征高压断路器运行状态或开关情况的关键信息。
步骤250、将所述原始波形分解到指定的频带，得到M×N的时频矩阵，其中，N为时间序列的长度，M为信号分量的数量。
具体的，原始波形中包含不同频率带的子波，可以将不同频率的子波分别分配至对应的频带，可以得到M×N的时频矩阵。
步骤260、根据所述时频矩阵的第m个信号分量的第k个周期对应的波形确定目标特征。
具体的，在时域中，时频矩阵的每个信号分量都被分为K个周期，每个周期包含部分表征高压断路器运行状态或开关情况的关键信息。
示例性的，可以利用确定第m个信号分量的第k个周期能量值，其中D(t)为第m分量中的第k个周期相对应的序列波形。进一步的可以对Ek,m进行归一化处理，确定整个时频矩阵对应的目标特征序列。可以采用如下公式实现归一化：Pk,m＝Ek,m/E，其中，E是视频矩阵的总能量值，Pk,m表示第k个周期的能量值Ek,m在E中的比例。
步骤270、将所述目标特征输入分类模型，通过所述分类模型基于所述目标特征对所述高压断路器进行故障诊断，其中，所述分类模型包括一级分类器和二级分类器，所述一级分类器用于识别所述高压断路器是否发生故障，所述二级分类器用于识别故障高压断路器的故障类别。
可选的，分类器的构建可以包括：
获取历史振动信号序列，根据所述历史振动信号序列确定历史时频矩阵；
根据所述历史时频矩阵确定样本特征；
将所述样本特征输入堆叠稀疏自编码器，得到所述样本特征对应的目标标签，根据所述目标标签构建分类器。
其中，历史振动信号序列为历史的高压断路器所产生的信号训练，用于确定历史时频矩阵；堆叠稀疏自编码器可以为多个顺序堆叠的自编码器的神经网络。自编码器为一种典型的深度学习方法，具有无监督特征学习的特点。由于自编码器的输入特征数据维数相对较高时，利用单个自编码器进行深度压缩将导致有效信息的丢失，原因是数据的过度压缩，因此，将多个自编码器顺序堆叠，得到堆叠稀疏自编码器，用于逐层提取输入特征数据的隐层特征，并根据所提取的隐层特征生成对应的目标标签。示例性的，图2a为本发明实施例提供的堆叠稀疏自编码器的示意图，具体的，可以将已标记和未标记的样本数据输入训练集中，并输出重建的数据x及对应的标签，进一步的，可以定义1至N分别为不同的类型标签，并将未标记的数据类型定义为0，通过使用激活函数作为分类器来生成标签。一旦训练了自编码器网络，隐藏层中的神经元将被用作下一个自编码网络的输入，采用最后一个网络的隐藏层中的神经元作为输入特征数据的隐层特征。其中，隐层特征可以为神经网络中隐藏层对应的特征。
具体的，可以通过历史时频矩阵中包含振动信号的时域信息与频域信息，通过历史时频矩阵可以确定高压断路器的目标特征，样本特征为历史时频矩阵经数学处理后确定的，包含历史时频矩阵中关键信息的特征总结，同时样本特征可以用于表征振动信号序列中的振动信号中关键信息，如高压断路器的机械状态及运行情况，将样本特征输入堆叠稀疏自编码器后，可以通过堆叠稀疏自编码器生成样本特征对应的目标标签，进一步的，可以根据目标标签构建分类器。进而通过所构建的分类器对高压断路器故障判定，如判定高压断路器是否故障，及如果故障判定故障类型。
可选的，目标标签包括正样本、负样本；对于所述负样本，所述目标标签还包括故障类别。
其中，正样本为无故障的历史高压断路器的样本数据，负样本为有故障的历史高压断路器的样本数据，进一步的，对于负样本，堆叠稀疏自编码器为其添加故障类型的标签。
具体的，可以根据目标标签构建分类器，可以通过将目标特征输入分类模型，利用一级分类器，对目标特征所表征的高压断路器进行是否故障的判定，进一步的，对存在故障的高压断路器，可以通过二级分类器进行故障类别的判定。
极限学习机是一种具有随机学习的单层隐层前馈神经网络。它具有随机生成输入权重和通过计算确定输出权重的特性。由于输入权重是随机分配的，因此在学习过程中不需要调整网络参数。因此，它的学习速度比传统的学习算法更快，并且需要更少的计算内存。给定一个数据集Z＝(yj,tj)，其中，yj为输入向量，tj为目标向量，进一步的，输出函数为, 其中，φ是激活函数，αi是第i个隐藏层节点和输入节点之间的连接的权重，βi是第i个隐藏层结点和输出节点之间的联系权重，gi是第i隐藏层节点的偏差,最终的分类结果可以通过训练多个分类器并使用集成决策来确定，通过使用集成分类算法，要求子类之间的相关性尽可能小。由于输入权重和偏差是随机产生的。对于相同的输入信息，每个训练过程中挖掘的信息都会不同。为了增强分类器在训练过程中的学习能力，将一部分输入神经元数据随机选择并归零进行腐蚀，分类器之间的相关性也降低了，这更有利于集成结果,示例性的，图2b为本发明实施例提供的一级分类器的示意图，可以通过一级分类器，可以将目标特征所表征的高压断路器进行是否故障的判定，将其分类为有故障或无故障，示例性的，图2c为本发明实施例提供的二级分类器的示意图，可以通过将一级分类器中有故障的样本输入二级分类器进行故障类型的判断。
可选的，所述堆叠稀疏自编码器包括若干个顺序堆叠的自编码器，且每层自编码器的输出特征数量比前一层自编码器的输出特征数量减少。具体地，每层自编码器的输出特征数量可以为前一层自编码器的输出特征数量的一半，能够在保证信息不损坏的情况下，增强特征的提取性能。
示例性的，样本输入第一个的自编码器，通过第一个自编码器对样本进行特征映射，进一步的，将隐藏层所生成的特征输入第二个的自编码器，通过第二个自编码器对特征再次进行特征映射，以此类推，可以通过若干个顺序堆叠的多层自编码器，进行样本的逐层特征映射，最终输出样本的标签。
示例性的，分类模型包括一级分类器和二级分类器。一级分类器用于确定样本特征属于正常样本或异常样本。二级分类器用于诊断异常样本的故障类型。将样本分为两类，正常高压断路器的样本和异常的高压断路器的样本，进一步的，将异常的高压断路器输入第二级分类器，第二级分类器中包含N个故障类别，则训练N个二进制分类器，并根据1到N对其进行标记。对于第i个分类器，第i个类别的故障被定义为正样本，其余故障为负样本，通过上述分类器，当输入是正常样本时，它将被一级分类器判别出来，相应的判别结束。当输入是第i个故障类型的样本时，它将被第一级分类器识别为异常样本，然后进入第二级分类器进行诊断。第二级诊断的N个分类器对所有的诊断结果进行建模，其中只有第i个分类器被诊断为正样本，其他分类器被诊断为由负样本。最后，样品的标签将被确定为i，即高压断路器的为第i个故障类型。
本发明实施例的方法，提供了一种断路器故障诊断方法，通过该方法，可以根据原始振动信号的瞬时频率确定异常振动信号；并删除原始振动信号序列中的异常振动信号得到所述振动信号序列，通过此方法可以剔除原始振动信号因采集误差与环境因素产生的误差信号，提高样本的准确性，进一步的，根据振动信号序列确定原始波形，并将原始波形分解到指定的频带，得到M×N的时频矩阵，通过时频矩阵的波形确定目标特征，通过这种目标特征确定方法，可以高效准确提高目标特征确定效率，进而利用分类模型的一级分类器，对目标特征所表征的高压断路器进行是否故障的判定，进一步的，对存在故障的高压断路器，可以通过二级分类器进行故障类别的判定。通过本发明实施例的方法，可以提高高压断路器故障的检测准确率，提高故障检测的效率。
实施例三
图3为本发明实施例三提供的一种断路器故障诊断装置的结构示意图。如图3所示，该装置包括：序列获取模块310、目标特征确定模块320和故障诊断模块330。
序列获取模块310，用于获取高压断路器的振动信号序列；
目标特征确定模块320，用于对所述振动信号序列中的振动信号进行分解得到时频矩阵，根据所述时频矩阵确定目标特征；
故障诊断模块330，用于将所述目标特征输入分类模型，通过所述分类模型基于所述目标特征对所述高压断路器进行故障诊断，其中，所述分类模型包括一级分类器和二级分类器，所述一级分类器用于识别所述高压断路器是否发生故障，所述二级分类器用于识别故障高压断路器的故障类别。
本发明实施例的方法，通过获取高压断路器的振动信号序列，进而对所述振动信号序列中的振动信号进行分解得到时频矩阵根据所述时频矩阵确定目标特征的方法，快速有效的确定了表征高压断路器运行状态的目标特征，进一步的，将所述目标特征输入分类模型，通过所述分类模型基于所述目标特征对所述高压断路器进行故障诊断。通过本发明实施例的方法，可以判断高压断路器是否故障，并确定故障类型，提高了高压断路器故障检测的检测准确性和效率。
进一步的，序列获取模块310包括：
瞬时频率确定单元，用于获取所述高压断路器的原始振动信号序列，对所述原始振动信号序列中的原始振动信号进行信号变换，得到所述原始振动信号的瞬时频率；
异常振动信号确定单元，用于根据所述原始振动信号的瞬时频率确定异常振动信号；
振动信号序列确定单元，用于删除所述原始振动信号序列中的异常振动信号得到所述振动信号序列。
进一步的，目标特征确定模块320，包括：
原始波形确定单元，用于根据所述振动信号序列确定原始波形；
分解单元，用于将所述原始波形分解到指定的频带，得到M×N的时频矩阵，其中，N为时间序列的长度，M为信号分量的数量；
特征确定单元，用于根据所述时频矩阵的第m个信号分量的第k个周期对应的波形确定目标特征。
进一步的，故障诊断模块330，包括：
一级分类单元，用于将所述目标特征输入所述分类模型的一级分类器，通过所述一级分类器基于所述目标特征识别所述高压断路器是否为故障高压断路器；
二级分类单元，若目标特征识别所述高压断路器为故障高压断路器的情况下，则将所述故障高压断路器对应的目标特征输入所述分类模型的二级分类器，通过所述二级分类器基于所述故障高压断路器对应的目标特征识别所述故障高压断路器的故障类别。
可选的，本发明装置还包括，分类器构建模块，用于获取历史振动信号序列，根据所述历史振动信号序列确定历史时频矩阵；
根据所述历史时频矩阵确定样本特征；所述目标标签包括正样本、负样本；对于所述负样本，所述目标标签还包括故障类别。
将所述样本特征输入堆叠稀疏自编码器，得到所述样本特征对应的目标标签，根据所述目标标签构建分类器，其中所述堆叠稀疏自编码器包括若干个顺序堆叠的自编码器，且每层自编码器的输出特征数量比前一层自编码器的输出特征数量减少。
本发明实施例所提供的断路器故障诊断装置可执行本发明任意实施例所提供的断路器故障诊断方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如断路器故障诊断方法。
在一些实施例中，断路器故障诊断方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的断路器故障诊断方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行断路器故障诊断方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPkD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者kCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(kAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种断路器故障诊断方法，其特征在于，包括：
获取高压断路器的振动信号序列；
对所述振动信号序列中的振动信号进行分解得到时频矩阵，根据所述时频矩阵确定目标特征；
将所述目标特征输入分类模型，通过所述分类模型基于所述目标特征对所述高压断路器进行故障诊断，其中，所述分类模型包括一级分类器和二级分类器，所述一级分类器用于识别所述高压断路器是否发生故障，所述二级分类器用于识别故障高压断路器的故障类别。
2.根据权利要求1所述的方法，其特征在于，所述获取高压断路器的振动信号序列，包括：
获取所述高压断路器的原始振动信号序列，对所述原始振动信号序列中的原始振动信号进行信号变换，得到所述原始振动信号的瞬时频率；
根据所述原始振动信号的瞬时频率确定异常振动信号；
删除所述原始振动信号序列中的异常振动信号得到所述振动信号序列。
3.根据权利要求1所述的方法，其特征在于，所述对所述振动信号序列中的振动信号进行分解得到时频矩阵，根据所述时频矩阵确定目标特征，包括：
根据所述振动信号序列确定原始波形；
将所述原始波形分解到指定的频带，得到M×N的时频矩阵，其中，N为时间序列的长度，M为信号分量的数量；
根据所述时频矩阵的第m个信号分量的第k个周期对应的波形确定目标特征。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述将所述目标特征输入分类模型，通过所述分类模型基于所述目标特征对所述高压断路器进行故障诊断，包括：
将所述目标特征输入所述分类模型的一级分类器，通过所述一级分类器基于所述目标特征识别所述高压断路器是否为故障高压断路器；
若是，则将所述故障高压断路器对应的目标特征输入所述分类模型的二级分类器，通过所述二级分类器基于所述故障高压断路器对应的目标特征识别所述故障高压断路器的故障类别。
5.根据权利要求1所述的方法，其特征在于，还包括采用如下步骤构建分类器：
获取历史振动信号序列，根据所述历史振动信号序列确定历史时频矩阵；
根据所述历史时频矩阵确定样本特征；
将所述样本特征输入堆叠稀疏自编码器，得到所述样本特征对应的目标标签，根据所述目标标签构建分类器。
6.根据权利要求5所述的方法，其特征在于，所述目标标签包括正样本、负样本；
对于所述负样本，所述目标标签还包括故障类别。
7.根据权利要求5所述的方法，其特征在于，所述堆叠稀疏自编码器包括若干个顺序堆叠的自编码器，且每层自编码器的输出特征数量比前一层自编码器的输出特征数量减少。
8.一种断路器故障诊断装置，其特征在于，包括：
序列获取模块，用于获取高压断路器的振动信号序列；
目标特征确定模块，用于对所述振动信号序列中的振动信号进行分解得到时频矩阵，根据所述时频矩阵确定目标特征；
故障诊断模块，用于将所述目标特征输入分类模型，通过所述分类模型基于所述目标特征对所述高压断路器进行故障诊断，其中，所述分类模型包括一级分类器和二级分类器，所述一级分类器用于识别所述高压断路器是否发生故障，所述二级分类器用于识别故障高压断路器的故障类别。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的断路器故障诊断方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的断路器故障诊断方法。
CN202311544829.3A 2023-11-17 2023-11-17 一种断路器故障诊断方法、装置、设备及存储介质 Pending CN117591876A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311544829.3A CN117591876A (zh) 2023-11-17 2023-11-17 一种断路器故障诊断方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311544829.3A CN117591876A (zh) 2023-11-17 2023-11-17 一种断路器故障诊断方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117591876A true CN117591876A (zh) 2024-02-23

Family

ID=89919340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311544829.3A Pending CN117591876A (zh) 2023-11-17 2023-11-17 一种断路器故障诊断方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117591876A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103575525A (zh) * 2013-11-18 2014-02-12 东南大学 一种断路器机械故障的智能诊断方法
CN107817098A (zh) * 2017-10-12 2018-03-20 东北电力大学 一种高压断路器机械故障诊断方法
CN108680348A (zh) * 2018-05-14 2018-10-19 国网山东省电力公司莱芜供电公司 一种基于随机森林的断路器机械故障诊断方法及系统
CN109948597A (zh) * 2019-04-26 2019-06-28 福州大学 一种高压断路器机械故障诊断方法
CN112327149A (zh) * 2020-10-19 2021-02-05 西安工程大学 基于ssd-srae的高压断路器故障诊断方法
CN112595976A (zh) * 2020-12-22 2021-04-02 电子科技大学 一种基于堆叠稀疏自编码器的开关磁阻电机故障诊断方法
CN113705637A (zh) * 2021-08-12 2021-11-26 西安交通大学 一种断路器机械故障检测方法、系统、设备及可读存储介质
CN116738323A (zh) * 2023-08-08 2023-09-12 北京全路通信信号研究设计院集团有限公司 铁路信号设备的故障诊断方法、装置、设备及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103575525A (zh) * 2013-11-18 2014-02-12 东南大学 一种断路器机械故障的智能诊断方法
CN107817098A (zh) * 2017-10-12 2018-03-20 东北电力大学 一种高压断路器机械故障诊断方法
CN108680348A (zh) * 2018-05-14 2018-10-19 国网山东省电力公司莱芜供电公司 一种基于随机森林的断路器机械故障诊断方法及系统
CN109948597A (zh) * 2019-04-26 2019-06-28 福州大学 一种高压断路器机械故障诊断方法
CN112327149A (zh) * 2020-10-19 2021-02-05 西安工程大学 基于ssd-srae的高压断路器故障诊断方法
CN112595976A (zh) * 2020-12-22 2021-04-02 电子科技大学 一种基于堆叠稀疏自编码器的开关磁阻电机故障诊断方法
CN113705637A (zh) * 2021-08-12 2021-11-26 西安交通大学 一种断路器机械故障检测方法、系统、设备及可读存储介质
CN116738323A (zh) * 2023-08-08 2023-09-12 北京全路通信信号研究设计院集团有限公司 铁路信号设备的故障诊断方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王浩然;袁小芳;田争鸣;刘琛;: "基于多目标和声搜索优化SVM的伺服电机滚动轴承性能退化评估", 机床与液压, no. 16, 28 August 2020 (2020-08-28) *
罗金等: "基于EEMD和堆叠稀疏自编码的滚动轴承故障诊断方法", 《噪声与振动控制》, vol. 40, no. 2, 18 April 2020 (2020-04-18), pages 117 *

Similar Documents

Publication Publication Date Title
Mohammadi et al. Detection and classification of multiple power quality disturbances based on temporal deep learning
CN105354643A (zh) 一种风电接入电网的风险预测评估方法
CN109409444B (zh) 一种基于先验概率的多元电网故障类型的判别方法
CN110020637B (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法
CN113158722A (zh) 基于多尺度深度神经网络的旋转机械故障诊断方法
CN114386537A (zh) 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN112633315A (zh) 一种电力系统扰动分类方法
Chen et al. Real‐time recognition of power quality disturbance‐based deep belief network using embedded parallel computing platform
CN112069666A (zh) 一种基于概率潮流法的电网短期可靠性评估方法
CN116956215A (zh) 一种传动系统故障诊断方法及系统
Jandan et al. Recognition and classification of power quality disturbances by DWT-MRA and SVM classifier
CN109635430A (zh) 电网输电线路暂态信号监测方法和系统
CN117591876A (zh) 一种断路器故障诊断方法、装置、设备及存储介质
Joga et al. A Comparative Technique to detect and classify Power Quality Disturbances with Noise Signals
Chu et al. A relaxed support vector data description algorithm based fault detection in distribution systems
CN113092934A (zh) 基于聚类和lstm的单相接地故障判定方法及系统
Li et al. A new deep learning method for classification of power quality disturbances using DWT-MRA in utility smart grid
CN118312734B (zh) 一种电力系统设备状态监测与故障诊断方法
CN118566643A (zh) 电网故障识别、电网故障识别模型训练方法、装置、设备、介质及程序
CN117093854B (zh) 变压器机械故障诊断方法、设备及存储介质
CN118731598A (zh) 电弧故障检测方法、装置、电子设备和存储介质
Cabus et al. Machine learning model applications for fault detection and classification in distributed power networks
Fan et al. Smart distribution network operating condition recognition based on big data analysis
Gao et al. Fault Diagnosis of AC Transmission System via GoogleNet
Abuanwar et al. Recurrent Neural Networks RNNs and Decision Tree DT Machine Learning-Based Approaches For Transmission System Faults Diagnosis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination